CN112382268A - 用于生成音频的方法、装置、设备和介质 - Google Patents

Abstract

本公开的实施例公开了用于生成音频的方法、装置、设备和介质。该用于生成音频的方法的一具体实施方式包括：获取源说话人的声学特征信息和目标性别标签信息；基于源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，其中，目标性别标签信息用于指示目标语音音频的性别信息。该实施方式可以将源说话人的声学特征信息转换为具有目标性别标签信息的语音音频，由此实现了语音音频的性别切换，丰富了语音音频的生成方式。

Description

用于生成音频的方法、装置、设备和介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于生成音频的方法、装置、设备和介质。

背景技术

近年来，由于短视频和数字娱乐媒体的迅猛发展，将源说话人语音转变为不同性别的语音得到了广泛关注和研究。

对源说话人的语音进行切换的方式主要是利用频谱搬移，将语音信号转换为频域信号，然后在频域上，将信号频谱整体搬移到高频域范围，最后再将其变换回时域，最终完成变声目的。

发明内容

本公开提出了用于生成音频的方法、装置、设备和介质。

第一方面，本公开的实施例提供了一种用于生成音频的方法，该方法包括：获取源说话人的声学特征信息和目标性别标签信息；基于源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，其中，目标性别标签信息用于指示目标语音音频的性别信息。

在一些实施例中，基于源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，包括：将源说话人的声学特征信息输入预训练的生成对抗网络中生成网络中的编码器，得到编码后的声学特征信息；将编码后的声学特征信息和目标性别标签信息输入预训练的生成对抗网络中生成网络中的解码器，得到目标声学特征信息；将目标声学特征信息输入声码器，得到目标语音音频。

在一些实施例中，编码器和解码器通过以下方式训练得到：获取不同用户提供的声学特征信息样本；将声学特征信息样本输入待训练的编码器，得到编码后的声学特征信息样本；将编码后的声学特征信息样本输入解码器，得到预测的声学特征信息；基于预测的声学特征信息、与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息和生成对抗网络中的判别网络，对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器。

在一些实施例中，基于预测的声学特征信息、与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息和生成对抗网络中的判别网络，对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器，包括：将预测的声学特征信息输入性别信息分类器，得到分类后的声学特征信息；将分类后的声学特征信息和与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息输入判别网络以对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器。

在一些实施例中，基于源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，包括：基于源说话人的声学特征信息、源说话人的性别标签信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，其中，所述源说话人的性别标签信息用于指示源说话人的声学特征信息的性别信息。

在一些实施例中，不同用户提供的声学特征信息样本所对应的语音音频的语音内容与源说话人的声学特征信息所对应的语音音频的语音内容相同。

在一些实施例中，声学特征信息为梅尔频谱信息。

第二方面，本公开的实施例提供了一种用于生成音频的装置，该装置包括：获取单元，被配置成获取源说话人的声学特征信息和目标性别标签信息；生成单元，被配置成基于所述源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，其中，目标性别标签信息用于指示目标语音音频的性别信息。

第三方面，本公开的实施例提供了一种用于生成音频的电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得该一个或多个处理器实现如上述用于生成音频的方法中任一实施例的方法。

第四方面，本公开的实施例提供了一种用于生成音频的计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述用于生成音频的方法中任一实施例的方法。

本公开的实施例提供的用于生成音频的方法、装置、设备和介质，通过获取源说话人的声学特征信息和目标性别标签信息；基于源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，其中，目标性别标签信息用于指示目标语音音频的性别信息，可以将源说话人的声学特征信息转换为具有目标性别标签信息的语音音频，由此实现了语音音频的性别切换，丰富了语音音频的生成方式。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成音频的方法的一个实施例的流程图；

图3是根据本公开的用于生成音频的方法的一个应用场景的示意图；

图4是根据本公开的用于生成音频的方法的又一个实施例的流程图；

图5是根据本公开的用于生成音频的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本公开，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的实施例的用于生成音频的方法或用于生成音频的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105 交互，以接收或发送数据(例如源说话人的声学特征信息和目标性别标签信息)等。终端设备101、102、103上可以安装有各种客户端应用，例如音频播放软件、音乐处理应用、新闻资讯类应用、图像处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有信息处理功能的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供生成音频服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如基于终端设备 101、102、103发送的源说话人的声学特征信息和目标性别标签信息，基于源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频。可选的，后台音频处理服务器还可以将所生成的目标语音音频反馈给终端设备，以供终端设备播放。作为示例，服务器105可以是云端服务器。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供生成音频服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

还需要说明的是，本公开的实施例所提供的用于生成音频的方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，用于生成音频的装置包括的各个部分(例如各个单元、子单元、模块、子模块)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当用于生成音频的方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括用于生成音频的方法运行于其上的电子设备(例如服务器或终端设备)。

继续参考图2，示出了根据本公开的用于生成音频的方法的一个实施例的流程200。该用于生成音频的方法，包括以下步骤：

步骤201，获取源说话人的声学特征信息和目标性别标签信息。

在本实施例中，用于生成音频的方法的执行主体(例如图1所示的服务器105或终端设备101、102、103)可以通过有线连接方式或者无线连接方式从其他电子设备，或者本地获取源说话人的声学特征信息和目标性别标签信息。

其中，源说话人的声学特征信息可以根据源说话人语音音频得到。这里，源说话人可以是任意说话人。源说话人语音音频可以是源说话人发出的任意语音的音频。例如，源说话人语音音频可以是源说话人演唱的歌曲的音频，也可以是源说话人在对话过程中发出的语音的音频。

这里，声学特征信息用于表征待识别语音信号的特征。具体地，声学特征信息可通过线性预测系数、倒谱系数、梅尔频谱系数等进行表征。其中，线性预测系数主要从人的发声机理入手，通过对声道的短管级联模型的研究，认为系统的传递函数符合全极点数字滤波器的形式，从而n 时刻的信号可以用前若干时刻的信号的线性组合来估计。倒谱系数利用同态处理方法，对语音信号求离散傅里叶变换后取对数，再求反傅里叶变换就可得到倒谱系数。梅尔频谱系数是受人的听觉系统研究成果推动而导出的声学特征。

在一些可选的方式中，声学特征信息为梅尔频谱信息。

在本实现方式中，声学特征信息为梅尔频谱信息，即声学特征信息可通过梅尔频谱系数或梅尔频谱倒谱系数进行表征。

该方式通过设置声学特征信息为梅尔频谱信息，可有效降低说话人语音中的噪声干扰，充分捕获说话人的语音特征信息。

步骤202，基于源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频。

在本实施例中，执行主体可以根据源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频。其中，目标性别标签信息用于指示目标语音音频的性别信息，如男性或女性。

作为示例，上述执行主体可以将源说话人的声学特征信息和目标性别标签信息输入至预先训练的生成对抗网络，生成目标语音音频。其中，上述生成对抗网络可以基于标注有具有期望的性别标签信息的声学特征信息样本数据训练得到。

具体地，执行主体可首先获取源说话人会话的语音音频，并对源说话人的语音音频进行特征提取，得到源说话人的声学特征信息，然后，获取目标性别标签信息。其中，源说话人的声学特征信息指示的性别信息为女性，即源说话人为女性，目标性别标签信息指示的性别信息为男性，若执行主体将上述源说话人的声学特征信息和目标性别标签信息输入预训练的生成对抗网络，则可以得到具有目标性别标签信息的语音音频，即男性的语音音频，实现源说话人语音音频性别的切换。

继续参见图3，图3是根据本实施例的用于生成音频的方法的一个应用场景的示意图。在图3的应用场景中，执行主体301首先获取源说话人的声学特征信息302和目标性别标签信息303，其中，源说话人为男性，目标性别标签信息303所指示的性别为女性。执行主体基于源说话人的声学特征信息302和目标性别标签信息303，使用预训练的生成对抗网络生成目标语音音频304，其中，目标性别标签信息 303用于指示目标语音音频304的性别信息，即目标语音音频304为女性声音。

本公开的上述实施例提供的方法，通过获取源说话人的声学特征信息和目标性别标签信息；基于源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，其中，目标性别标签信息用于指示目标语音音频的性别信息，可以将源说话人的声学特征信息转换为具有目标性别标签信息的语音音频，由此实现语音音频的性别切换，丰富了语音音频的生成方式，丰富了语音音频的生成方式。

进一步参考图4，其示出了用于生成音频的方法的又一个实施例的流程400。该用于生成音频的方法的流程400，包括以下步骤：

步骤401，获取源说话人的声学特征信息和目标性别标签信息。

在本实施例中，步骤401与图2对应实施例中的步骤201基本一致，这里不再赘述。

步骤402，将源说话人的声学特征信息输入预训练的生成对抗网络中生成网络中的编码器，得到编码后的声学特征信息。

在本实施例中，编码器用于编码源说话人的声学特征信息，编码器可以基于现有技术或未来发展技术中的卷积神经网络实现，例如，CNN (Convolutional NeuralNetworks，卷积神经网络)、LSTM(Long Short-Term Memory，长短期记忆网络)、GRU(GatedRecurrent Unit，门控循环单元)、BGRU(Bidirectional Gated Recurrent Unit，双向门控循环单元)等，本申请对此不作限定。

步骤403，将编码后的声学特征信息和目标性别标签信息输入预训练的生成对抗网络中生成网络中的解码器，得到目标声学特征信息。

在本实施例中，执行主体可以将编码后的声学特征信息和目标性别标签信息输入预训练的解码器，得到目标声学特征信息。

其中，目标性别标签信息为对目标性别标签进行编码之后的信息。

这里，对目标性别标签进行编码的方式可以包括多种，例如，格雷码、独热码(one-hot)等。

此外，预训练的解码器可以采用自回归解码器，也可以采用非自回归解码器，本申请对此不作限定。

在一些可选的方式中解码器为自回归解码器。

在本实现方式中，相对于采用其他形式的编码器，采用自回归解码器，可以更好地利用语音音频在不同时间尺度上的依赖特点，提高目标语音音频的生成质量。

步骤404，将目标声学特征信息输入声码器，得到目标语音音频。

在本实施例中，执行主体将上述步骤得到的声学特征信息输入声码器，得到目标语音音频。其中，声码器用于表征声学特征信息与语音音频之间的对应关系。

在一些可选的方式中，编码器和解码器通过以下方式训练得到：获取不同用户提供的声学特征信息样本；将声学特征信息样本输入待训练的编码器，得到编码后的声学特征信息样本；将编码后的声学特征信息样本输入待训练的解码器，得到预测的声学特征信息；基于预测的声学特征信息、与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息和判别网络，对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器。

在本实现方式中，预训练的编码器和预训练的解码器通过以下方式训练得到：首先，获取不同用户提供的声学特征信息样本。这里，用户提供的声学特征信息样本可以包括用户发出的会话语音音频所对应的声学特征信息样本、用户发出的歌唱语音音频所对应的声学特征信息样本。

然后，将声学特征信息样本输入待训练的编码器，得到编码后的声学特征信息样本并将编码后的声学特征信息样本输入待训练的解码器，得到预测的声学特征信息。

最后，执行主体可以将预测的声学特征信息、与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息直接输入预训练的判别网络，也可以先对解码器输出的预测的声学特征信息进行性别信息分类，然后将分类后的声学特征信息、与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息输入判别网络，进而根据判别网络的输出结果对编码器和解码器进行训练，得到训练完成的编码器和解码器，本申请对此不作限定。

该实现方式通过基于获取不同用户提供的声学特征信息样本，对待训练的编码器和解码器进行训练，得到训练完成的编码器和解码器，使得训练完成的编码器和解码器可以学习到不同声学特征信息样本的性别信息的特征，有助于提升训练完成的编码器和解码器的泛化能力。

在一些可选的方式中，不同用户提供的声学特征信息样本所对应的语音音频的语音内容与源说话人的声学特征信息所对应的语音音频的语音内容相同。

在本实现方式中，不同用户提供的声学特征信息样本所对应的语音音频的语音内容可以与源说话人的声学特征信息所对应的语音音频的语音内容相同，即不同用户的说话内容与源说话人的说话内容相同。

该方式通过获取语音内容与源说话人语音内容相同的声学特征信息样本对生成网络进行训练，有助于提升生成网络的准确性和可靠性，进而提升生成的目标语音音频的准确性和可靠性。

在一些可选的方式中，基于源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，包括：基于源说话人的声学特征信息、源说话人的性别标签信息和目标性别标签信息，生成目标语音音频。

在本实现方式中，执行主体可以首先将源说话人的声学特征信息输入预训练的生成对抗网络中生成网络中的编码器，得到编码后的声学特征信息；将编码后的声学特征信息、目标性别标签信息(男性/女性)和源说话人的性别标签信息(男性/女性)输入预训练的生成对抗网络中生成网络中的解码器，得到目标声学特征信息；将目标声学特征信息输入声码器，得到目标语音音频。

其中，源说话人的性别标签信息用于指示源说话人的声学特征信息的性别信息。

该方式通过将编码后的声学特征信息、目标性别标签信息和源说话人的性别标签信息输入预训练的生成对抗网络中生成网络中的解码器，得到目标声学特征信息，使得生成网络生成网络可根据目标性别标签信息和源说话人性别标签信息之间的差异生成目标语音音频，可加快生成目标语音音频的过程。

在一些可选的方式中，基于预测的声学特征信息、与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息和判别网络，对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器，包括：将预测的声学特征信息输入性别信息分类器，得到分类后的声学特征信息；将分类后的声学特征信息和与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息输入判别网络以对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器。

在本实现方式中，执行主体在得到解码器输出的预测的声学特征信息之后，可以将预测的声学特征信息输入性别信息分类器，得到分类后的声学特征信息。进一步地，将分类后的声学特征信息和与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息输入判别网络，根据判别网络的输出结果对编码器和解码器进行训练，得到训练完成的编码器和解码器。

该实现方式通过对预测的声学特征信息输入性别信息分类器进行分类，并将分类后的声学特征信息和与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息输入判别网络以对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器，有助于加快对编码器和解码器的训练过程，同时提升生成网络输出的目标语音音频的准确性。

从图4可以看出与图2对应的实施例相比，本实施例中的用于生成音频的方法的流程400突出了通过将源说话人的声学特征信息输入预训练的生成对抗网络中生成网络中的编码器，得到编码后的声学特征信息；将编码后的声学特征信息和目标性别标签信息输入预训练的生成对抗网络中生成网络中的解码器，得到目标声学特征信息；将目标声学特征信息输入声码器，得到目标语音音频的步骤。由此，使得目标语音音频可以具有任意指定的目标性别标签信息，提高了生成的目标语音音频的灵活性，并且采用声码器(vocoder)来生成目标语音音频，可以使得所生成的目标语音音频更接近真实的语音音频由此可以使得合成效果更为自然。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于生成音频的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征，以及产生与图2所示的方法实施例相同或相应的效果。该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成音频的装置500包括：获取模块501被配置成获取源说话人的声学特征信息和目标性别标签信息；生成模块502被配置成基于所述源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频。

在本实施例中，用于生成音频的装置500的获取模块501可以通过有线连接方式或者无线连接方式从其他电子设备，或者本地获取目标语音风格信息和目标用户发出的用户语音音频。

在本实施例中，基于获取模块501获取到的源说话人的声学特征信息和目标性别标签信息，上述生成模块502可以生成目标语音音频。其中，目标性别标签信息用于指示目标语音音频的性别信息。

在本实施例的一些可选的实现方式中，生成模块502包括：编码单元(图中未示出)，被配置成将所述源说话人的声学特征信息输入预训练的生成对抗网络中生成网络中的编码器，得到编码后的声学特征信息；解码单元(图中未示出)，被配置成将编码后的声学特征信息和目标性别标签信息输入预训练的生成对抗网络中生成网络中的解码器，得到目标声学特征信息；获得单元(图中未示出)被配置成将目标声学特征信息输入声码器，得到目标语音音频。

在本实施例的一些可选的实现方式中，编码器和所述解码器通过以下方式训练得到：获取不同用户提供的声学特征信息样本；将声学特征信息样本输入待训练的编码器，得到编码后的声学特征信息样本；将编码后的声学特征信息样本输入解码器，得到预测的声学特征信息；基于预测的声学特征信息、与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息和生成对抗网络中的判别网络，对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器。

在本实施例的一些可选的实现方式中，基于预测的声学特征信息、与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息和生成对抗网络中的判别网络，对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器，包括：将预测的声学特征信息输入性别信息分类器，得到分类后的声学特征信息；将分类后的声学特征信息和与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息输入判别网络以对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器。

在本实施例的一些可选的实现方式中，生成模块进一步被配置成基于源说话基于人的声学特征信息、源说话人的性别标签信息和目标性别标签信息，生成目标语音音频，其中，源说话人的性别标签信息用于指示源说话人的声学特征信息的性别信息。

在本实施例的一些可选的实现方式中，不同用户提供的声学特征信息样本所对应的语音音频的语音内容与源说话人的声学特征信息所对应的语音音频的语音内容相同。

在本实施例的一些可选的实现方式中，声学特征信息为梅尔频谱信息。

本公开的上述实施例提供的装置，通过获取模块获取源说话人的声学特征信息和目标性别标签信息，然后，生成模块基于所述源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，其中，所述目标性别标签信息用于指示目标语音音频的性别信息，可以将源说话人的声学特征信息转换为具有目标性别标签信息的语音音频，由此实现了语音音频的性别切换，丰富了语音音频的生成方式。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP (便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的终端设备/服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线 604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置 606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置 607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Python、Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网 (WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

根据本公开的一个或多个实施例，本公开提供了一种用于生成音频的方法，该方法包括：获取源说话人的声学特征信息和目标性别标签信息；基于源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，其中，所述目标性别标签信息用于指示目标语音音频的性别信息。

根据本公开的一个或多个实施例，基于源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，包括：将源说话人的声学特征信息输入预训练的生成对抗网络中生成网络中的编码器，得到编码后的声学特征信息；将编码后的声学特征信息和目标性别标签信息输入预训练的生成对抗网络中生成网络中的解码器，得到目标声学特征信息；将目标声学特征信息输入声码器，得到目标语音音频。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，编码器和解码器通过以下方式训练得到：获取不同用户提供的声学特征信息样本；将声学特征信息样本输入待训练的编码器，得到编码后的声学特征信息样本；将编码后的声学特征信息样本输入解码器，得到预测的声学特征信息；基于预测的声学特征信息、与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息和生成对抗网络中的判别网络，对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，基于预测的声学特征信息、与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息和生成对抗网络中的判别网络，对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器，包括：将预测的声学特征信息输入性别信息分类器，得到分类后的声学特征信息；将分类后的声学特征信息和与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息输入判别网络以对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，基于源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，包括：基于源说话人的声学特征信息、源说话人的性别标签信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，其中，源说话人的性别标签信息用于指示源说话人的声学特征信息的性别信息。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，不同用户提供的声学特征信息样本所对应的语音音频的语音内容与源说话人的声学特征信息所对应的语音音频的语音内容相同。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，声学特征信息为梅尔频谱信息。

根据本公开的一个或多个实施例，本公开提供了一种用于生成音频的装置，该装置包括：获取模块被配置成获取源说话人的声学特征信息和目标性别标签信息；生成模块被配置成基于所述源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，生成模块包括：编码单元，被配置成将所述源说话人的声学特征信息输入预训练的生成对抗网络中生成网络中的编码器，得到编码后的声学特征信息；解码单元，被配置成将编码后的声学特征信息和目标性别标签信息输入预训练的生成对抗网络中生成网络中的解码器，得到目标声学特征信息；获得单元，被配置成将目标声学特征信息输入声码器，得到目标语音音频。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，编码器和所述解码器通过以下方式训练得到：获取不同用户提供的声学特征信息样本；将声学特征信息样本输入待训练的编码器，得到编码后的声学特征信息样本；将编码后的声学特征信息样本输入解码器，得到预测的声学特征信息；基于预测的声学特征信息、与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息和生成对抗网络中的判别网络，对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，基于预测的声学特征信息、与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息和生成对抗网络中的判别网络，对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器，包括：将预测的声学特征信息输入性别信息分类器，得到分类后的声学特征信息；将分类后的声学特征信息和与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息输入判别网络以对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，基于源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，包括：基于源说话人的声学特征信息、源说话人的性别标签信息和目标性别标签信息，生成目标语音音频，其中，源说话人的性别标签信息用于指示源说话人的声学特征信息的性别信息。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，不同用户提供的声学特征信息样本所对应的语音音频的语音内容与源说话人的声学特征信息所对应的语音音频的语音内容相同。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，声学特征信息为梅尔频谱信息。

描述于本公开的实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块和生成模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取源说话人的声学特征信息和目标性别标签信息的模块”。

作为另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取源说话人的声学特征信息和目标性别标签信息；基于所述源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，其中，所述目标性别标签信息用于指示目标语音音频的性别信息。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离本公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于) 具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于生成音频的方法，包括：

获取源说话人的声学特征信息和目标性别标签信息；

基于所述源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，其中，所述目标性别标签信息用于指示目标语音音频的性别信息。

2.根据权利要求1所述的方法，其中，所述基于所述源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，包括：

将所述源说话人的声学特征信息输入预训练的生成对抗网络中生成网络中的编码器，得到编码后的声学特征信息；

将编码后的声学特征信息和目标性别标签信息输入预训练的生成对抗网络中生成网络中的解码器，得到目标声学特征信息；

将所述目标声学特征信息输入声码器，得到目标语音音频。

3.根据权利要求2所述的方法，其中，所述编码器和所述解码器通过以下方式训练得到：

获取不同用户提供的声学特征信息样本；

将声学特征信息样本输入待训练的编码器，得到编码后的声学特征信息样本；

将所述编码后的声学特征信息样本输入解码器，得到预测的声学特征信息；

基于所述预测的声学特征信息、与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息和生成对抗网络中的判别网络，对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器。

4.根据权利要求3所述的方法，其中，所述基于所述预测的声学特征信息、与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息和生成对抗网络中的判别网络，对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器，包括：

将预测的声学特征信息输入性别信息分类器，得到分类后的声学特征信息；

将分类后的声学特征信息和与输入的声学特征信息样本相对应的具有期望的性别标签信息的声学特征信息输入判别网络以对生成网络的编码器和解码器进行训练，得到训练完成的编码器和解码器。

5.根据权利要求1所述的方法，其中，所述基于所述源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，包括：

基于所述源说话人的声学特征信息、源说话人的性别标签信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，其中，所述源说话人的性别标签信息用于指示源说话人的声学特征信息的性别信息。

6.根据权利要求3所述的方法，其中，所述不同用户提供的声学特征信息样本所对应的语音音频的语音内容与源说话人的声学特征信息所对应的语音音频的语音内容相同。

7.根据权利要求1-6任一所述的方法，其中，所述声学特征信息为梅尔频谱信息。

8.一种用于生成音频的装置，包括：

获取单元，被配置成获取源说话人的声学特征信息和目标性别标签信息；

生成单元，被配置成基于所述源说话人的声学特征信息和目标性别标签信息，使用预训练的生成对抗网络生成目标语音音频，其中，所述目标性别标签信息用于指示目标语音音频的性别信息。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images